【摘要】[目的/意义]针对目前推荐模型愈加复杂、数据输入越来越多、传统推荐模型可解释性较低、推荐结果"过度特化"等问题,提出面向用户长短偏好调节的可解释个性化推荐方法。[方法/过程]从用户近期产品需求及其长期生活方式两个维度构建用户长短偏好模型,借鉴用户评分偏置及注意力机制,将用户长短偏好与其评分相结合进行评分预测,从而形成Top-N推荐。[结果/结论]通过在两个数据集上的实验结果表明,本方法对于不同的用户行为(显式反馈或隐式反馈),不同的推荐项目个数及在不同的推荐算法中都有良好表现。在无需对各种推荐模型进行较大改变的情况下,提升了推荐结果的准确率、召回率与多样性;另外基于对长短偏好系数的改变,实现对推荐结果多样性与准确率的调整,并且形成相应的推荐解释。